清华米哈游开源GameScaling：四档八个模型，覆盖Minecraft与Doom

张宽，清华大学人工智能学院博士生，主攻游戏智能体。

苏悦，香港大学 MMLab 博士生，研究方向为世界模型与具身智能。

罗润，新加坡国立大学博士生，专注全模态基础模型。

郑银河，米哈游崩坏系列 AI NPC & Gameplay 技术团队负责人。李一鸣，清华大学人工智能学院助理教授、厘清智能创始人，此前曾任英伟达研究科学家。

米哈游近日与清华大学、香港大学、新加坡国立大学等学术机构合作，开源首个通用游戏模型系列 GameScaling。该系列共八个模型，分为 0.8B、2B、9B、27B 四档规模，权重和推理代码都以 Apache 2.0 协议发布。

• 项目主页: https://gamescaling.github.io

• 模型网址: https://huggingface.co/THUSI-Lab/GameScaling

• 代码仓库: https://github.com/THUSI-Lab/GameScaling

GameScaling 能根据画面、任务提示和近期交互历史，输出键盘与鼠标操作，并随游戏进程持续判断下一步动作。在《我的世界》里，它可以采矿、合成、打僵尸；在 Doom 中，它能战斗、导航；遇到场景逃脱任务，它也会自己找路。

图 1 GameScaling-2B-S3 在 Minecraft 中执行采集、合成与战斗任务的实时演示片段。来源: GameScaling 网站宣传视频

模型在游戏里操作得漂亮，分数也拿得出手。《我的世界》MCU 基准共 30 项任务，GameScaling-27B-S1 的平均成功率达到 63.3%。团队实测显示，0.8 - 9B 这 6 个模型跑在单张 H200 或 RTX 5090 上，就能做到接近每秒 5 次观测、每秒 30 步动作的实时交互。

把 GameScaling 开源出来，团队想和社区一起琢磨一件事：AI 怎么才能把一个世界里学到的经验，搬到另一个世界去用？游戏和人工智能相伴多年，这道题是自然而然冒出来的。1997 年深蓝击败国际象棋世界冠军；2012 年深度学习爆发之后，AlphaGo 和 AlphaStar 分别在围棋和《星际争霸 II》中战胜世界冠军，OpenAI Five 在 Dota 2 中展示了多智能体协作的能力；进入大模型时代，Voyager 又在《我的世界》里探索环境、积累技能。AI 从搜索、学习一路走到规划与行动，游戏既是见证者也是推手。

不过，通用游戏智能还横着另一道坎。现实世界里，机器人不管进工厂还是进家庭，重力、碰撞这些物理规律都成立，共同的规律让经验积累和规模化学习有据可依。虚拟世界却能推倒重来：画面风格、物理机制、动作空间、任务目标，换一款游戏可能全变。同样是「向前走」，可能是第一人称视角下的三维移动，可能是上帝视角下的平面移动，也可能是横版世界中的平台跳跃。

图 2 现实世界的运行受一套确定的物理法则约束，这是积累经验、开展规模化学习的前提；而游戏不同——画面风格、物理机制、动作空间连同任务目标都能改，至于能不能照样保住 “Scaling Law”，目前还没有系统性的研究。来源：GameScaling 论文图 1

世界本身的规则一直在变，那套曾经屡试不爽的办法——加数据量、加多样性、加模型规模——还能继续管用吗？

为了把这个问题弄清楚，团队基于 Qwen3.5 系列做持续预训练，拿开源社区的游戏轨迹，把视觉语言模型的知识和可执行操作接上。模型看着游戏画面、任务提示和近期交互历史，输出接下来 200 毫秒的键盘与鼠标操作。看画面、快速想、做动作、接收新画面，再决定下一步，智能体在游戏里行动的基本循环就是这么转起来的。

实验把模型、数据时长、数据多样性三个变量拆开来看：模型规模设了 0.8B 至 27B 四档，游戏数据预算设了 50 至 1600 小时六档，游戏轨迹从全部来自《我的世界》到多游戏混合共五种多样性配比，一共组成 120 组受控配置。评测范围也从训练覆盖的 MineCraft 和 Doom，扩到没见过的相近 3D 世界，再到视角和操作机制差别更大的 2D 和 2.5D 世界，看经验与智能究竟能迁移多远。

研究先撞见了一种有意思的学习节奏：模型早期像是在熟悉自己的「手」。初始训练之后，按键、鼠标和动作格式的预测改善得很快，收益也出现在训练没覆盖的世界里，团队管这叫「接口阶段」。再往后是「世界阶段」，想继续提升，越来越看模型经历过哪些游戏，收益主要落在训练覆盖和相近的世界，对遥远世界的损失甚至会往上走。

图 4 训练初期，按键、鼠标以及动作格式这三类的预测误差都掉得很快。四幅图按顺序分别是按键损失、鼠标损失、格式损失，还有鼠标方向的预测准确率。S1 指的是单游戏轨迹配比，S4 则是多游戏轨迹配比。来源：GameScaling 论文图 2。

数据多样性的价值由此变得具体。同样按 1600 小时的预算，多游戏混合训练在 OmniGameArena 七个没见过的相关 3D 世界里，跨配比、跨模型规模的平均得分约为单独训练 MineCraft 的 2.8 倍。移动、转向、瞄准这些经验，确实有机会越过游戏的边界。

图 5 展示的是 GameScaling 在 OmniGameArena 里此前没见过的相关 3D 环境中执行任务，涉及移动、射击、穿越障碍和从场景中逃脱。来源：GameScaling 官网宣传视频。

模型规模带来的影响是另一回事。参数更大的模型往往能更省力地吃透有限的经验，可要是长时间只练一个游戏，换到差别较大的世界，它的退步也可能更扎眼。这说明参数量、数据量和数据配比得放在一起设计：学得快，不等于迁移得远。

团队还拟合出一条经验 Scaling Law，把这三个因素和验证损失关联起来，用来估计在训练覆盖到的世界里能获得多少学习收益。但换到差异明显的未见世界，一味加数据、加模型规模，并没有换来稳定提升。GameScaling 由此把扩展的两面都摆了出来：现有的持续预训练能攒下可迁移的操作经验，要想泛化得更广，还得在world覆盖和交互学习机制上继续找办法。

还有一个因素绕不过去，就是时间——模型要走进真正跑起来的游戏，就得面对它。

敌人压过来，目标在移动，几秒前还算正确的判断可能已经作废。团队为此测了两种模式：「模型思考时暂停游戏」和「游戏持续运行」。按论文的实时评测设置，GameScaling-9B-S3 在四个基准上的平均分是 25.3，高于所测 OpenAI、Anthropic、Google 前沿模型中的最高值 19.2。这个比较虽然掺进了部署和服务延迟的影响，却仍指向游戏智能的一条实际要求：决策得赶得上改变局面。

图 6：实时战斗演示，左侧是 Claude Opus 5.0，右侧是 GameScaling-9B。模型生成动作时游戏一直在运行，画面时延为该片段所记录，包含相应部署与调用方式带来的影响。来源：GameScaling 官网宣传视频。

作者称，GameScaling 目前重在摸清跨世界的 Scaling 现象，还没有针对最终游戏表现做专门优化。他们希望这套经验能指导之后游戏数据的收集、构建和配比，让扩大训练规模更有依据，也为做出能力更强、适应面更宽的游戏模型指个方向。至于跨到更远的世界，仍要摸索更广的游戏经验，以及在实际交互中靠成败反馈来学习的机制。通用游戏智能的下一步，目标也因此更清楚了。

电影《头号玩家》好看的地方，一半在规则各不相同的世界，一半在能一起闯荡的伙伴。要走到那样的未来，既得有不断扩充的虚拟内容，也得有能读懂不同规则、真正下场参与的智能同伴。

我们相信，技术往前走，以后的智能游戏 NPC 也许能在玩家说一句「帮我守住入口」之后，看地形、挑位置，并跟着战况调整动作；玩家和他的智能伙伴，还能带着上一个世界的经验，一起赶赴下一场冒险。GameScaling 模型开源，正好给这件事留了个能验证的研究起点：去弄清楚怎样把在一个世界里学会的本事，变成走进下一个世界的能力。